第五节 产品形态：用户产品 / 工具产品 / 平台产品

FinBayes 不是一种单一产品形态。它在不同的服务对象面前呈现三个角色：

• 用户产品：面向个人投资者
• 工具产品：面向 FinTec AI Ecosystem 内其他生态成员
• 平台产品：面向开发者和金融认知能力的扩展者

这三层不是三个独立产品，而是同一个金融认知层在不同服务对象面前的不同呈现界面。三者共享同一套金融认知体系（详见第四节核心优势），但接入方式、交付形态、关注重点不同。

第一阶段的优先级是用户产品。工具产品和平台产品作为后续阶段的扩展方向，在阶段路线（第七节）中给出具体时点。

用户产品：面向个人投资者

这是 FinBayes 的主形态，也是第一阶段的核心交付。下面把用户产品的核心交互、输出形态、长期留存、典型场景、质量门槛拆开讲清楚——这些是下游 L2 产品定义文档承接的源头。

服务对象与核心交付

服务对象：个人投资者（金融背景、关注市场、使用场景跨度极大，详见第二节）。

核心交付：把用户带来的模糊金融问题，通过自然语言对话，转化为结构化的金融认知材料和判断支持，帮助用户在每一次寻找交易机会和形成支撑的过程中，自己的金融判断能力同步提升。

核心交互形态

自然语言对话作为主入口：用户用日常语言提问，不预设金融专业度门槛。小白可以从"市场最近怎么了"开始，资深用户可以直接从"BTC 这次的支撑位看怎么调"开始。

逐步澄清机制：FinBayes 不要求用户预先把问题想清楚。在对话中通过澄清式追问，帮用户把模糊的提问拆成可被回答的具体形式——澄清时间范围、澄清判断前提、澄清真正关心的问题。对金融小白，澄清本身就是产品价值的最重要部分（详见第二节用户与场景）。

多入口体验契约一致：Web、桌面端、移动端等不同入口的体验契约一致——同一个金融认知资产可跨入口连续访问；同一类提问的输出形态在不同入口稳定一致；用户主权操作（查看 / 修改 / 清空）在所有入口都可用。第一阶段聚焦主入口，长期可扩展 MCP、CLI、TUI 等开发者友好入口。

Provider 路由的可用性保障：FinBayes 在不同模型 Provider、数据源、本机部署条件下的可用性由架构文档承接的多层降级机制保障，让 LLM 不可用时基础能力仍可用。具体降级链与切换机制详见 projects/finbayes/engineering/architecture.md §9 / §13。

结构化认知输出（核心输出形态）

FinBayes 的每一次回答不是单一结论，而是结构化的认知材料。完整的认知输出由 10 个要素组成：

#	要素	含义
1	结论 / 倾向（条件化）	不是封闭的开多 / 开空型答案，而是带成立条件的判断
2	依据	支撑结论的事实材料、数据、逻辑链
3	多视角	对同一问题的不同合理观点
4	反方证据	与结论相反方向的证据和观点
5	成立条件	结论在什么前提下成立
6	失效条件	结论在什么市场变化下不再成立
7	不确定性 / 信息缺口	现有信息不足以回答的部分
8	来源与时间戳	每条信息的来源和时效性
9	可继续追问项	用户可以基于本次输出继续深入的方向
10	历史判断链接	与用户过往判断的关联（如果有）

这 10 个要素不是固化的字段表——FinBayes 按用户提问的任务类型动态组合相应要素。

当前已确定的 7 类金融认知任务（由架构 §6 + L2 产品定义 §7 锁定）：

1. 解释类：理解一个金融对象、术语、市场现象
2. 分析类：综合多维度信息形成对一个金融问题的认知
3. 比较类：在多个金融对象 / 视角之间做对照
4. 复盘类：跟踪用户过往判断在新信息下的有效性
5. 风险识别类：识别一个金融对象 / 持仓 / 操作的关键风险
6. 交易准备类：用户在准备进入交易动作时所需的认知支持（不替代决策）
7. 决策辅助类：用户在做组合 / 仓位 / 策略决策时的认知材料

每类任务有专属的要素组合（具体映射由 L2 产品定义层 §7 表 7 承接）。

具体的任务-要素映射由 L2 产品定义层承接（详见 projects/finbayes/engineering/product-definition.md §7 表 7），战略层只声明这套输出形态作为 FinBayes 的核心产品契约。具体的工程 Schema 和实现机制由架构文档承接。

条件化结论是结构化输出的核心特征。FinBayes 不给"BTC 现在该买"这种封闭答案，而是给"在以下条件下加仓的逻辑成立……在以下条件下失效……你当前持仓和这些条件的契合度是……"——判断的有效范围被显式标注。

与现有工具输出形态的根本区别：

• 与喊单 / 信号产品对比：喊单只给"开多 / 开空"，FinBayes 给的是判断材料和判断框架，让用户自己得出结论（为什么不走喊单路径详见第四节核心优势）
• 与通用 AI 对比：通用 AI 给单一段落式回答，FinBayes 给结构化、条件化、可复盘的认知材料

当前版本产品立场在输出形态层的落地：画像不裁剪事实空间。反方证据、关键风险、失效条件按事实空间生成，不因用户偏好被省略。即便用户长期表现为某种倾向（看多 / 看空 / 偏好某板块），FinBayes 的输出仍保留完整的反方和失效条件——这条立场在第九节产品立场与边界中完整展开（含演化原则）。

用户的金融认知资产（长期留存）

FinBayes 在用户持续使用中为用户维护以下金融认知资产，这些资产属于用户自己，用户拥有完整主权：

资产	含义
关注集	用户长期跟踪的金融对象集合（BTC、NVDA、特定 ETF 等）
历史判断	用户做过的判断、判断的依据、判断的边界条件
复盘记录	市场变化对用户过往判断的冲击、用户复盘后的认知变化
动态认知画像	用户的判断框架、关注维度、表达密度的渐进性识别

这些资产让 FinBayes 在用户每一次提问时都从用户已有的金融认知资产出发，而不是把每次对话当作零基础新问题。这是 FinBayes 与通用 AI 的根本区别之一——通用 AI 的对话是孤立的，FinBayes 的对话是基于用户连续认知资产的延续。

用户主权边界（继承自当前版本产品立场，详见第九节产品立场与边界）：

• 用户可查看完整的金融认知资产（关注什么、判断过什么、复盘过什么、画像如何识别）
• 用户可修改或删除任何资产条目
• 用户可清空全部资产重新开始
• 金融执行凭证（交易所 API key、私钥、资金账户密码等）一律不收、不存、不训练

典型场景（说明性，非穷尽分类）

用户带着 FinBayes 解决的场景是谱系的（详见第二节），下面是 5 个说明性场景，用来说明产品形态：

1. 理解一个对象：用户问"BTC 这周怎么了"或"NVDA 这次财报后怎么看"。FinBayes 给出包含基本面、价格行为、关键事件、不同视角、反方观点、当前成立条件的认知材料
2. 判断一个观点的依据：用户带着外部观点来求验证（如"意见领袖说美元走弱利好黄金，依据是什么、什么情况下失效"）。FinBayes 给出该观点的支撑逻辑、反方逻辑、关键失效条件
3. 形成一个判断：用户综合宏观、行业、情绪后求条件化判断（如"我现在对 Crypto 仓位该怎么调"）。FinBayes 给出有条件的结论——在什么条件下加仓的逻辑成立、在什么条件下减仓
4. 跟踪一个判断：用户回头看过往判断在新市场变化下是否仍成立（如"上次我判断 ETH 估值偏低值得加仓，过去两周市场有什么变化、判断还成立吗"）。FinBayes 调用历史判断 + 新市场信息，对照原成立条件给出"还成立 / 部分成立 / 已失效"分析
5. 复盘一个错误：用户从市场反应中识别判断中被忽略的维度（如"两个月前买的某只股票跌了 30%，当时判断哪里出了问题"）。FinBayes 帮用户对照原判断依据 vs 实际市场变化，识别原判断的盲区

每一类场景的核心交付都是结构化认知输出 + 条件化结论，不是封闭答案。

认知体系在用户产品中的体现

用户产品是金融认知体系直接接触用户的界面。体系通过自然语言对话被即时调用——用户提一个金融问题，体系即时按其分析框架展开（详见第四节核心优势）。

用户产品不暴露体系本身给用户。用户看到的是"BTC 当前估值的认知材料"，而不是"金融认知体系如何分析 BTC"。但每一次结构化认知输出的 10 要素动态组合，都是体系的具体表达。

主要质量门槛

• 认知输出的准确性、深度、可追溯性：每条信息有来源、每个结论有依据、每个判断有成立条件和失效条件
• 连续认知资产的稳定性与主权管理：用户的金融认知资产跨会话、跨设备、跨时间稳定可访问，且用户主权三件套全程有效
• 对金融小白也能逐步澄清：不预设用户专业度，从模糊提问中帮用户澄清真正想问的问题
• 多入口体验契约一致：跨设备无差异，同一类提问稳定输出同一形态
• 产品立场贯穿：画像不裁剪事实空间、凭证处理（不收/不存/不训练）、不替决策——在所有用户交互中都成立（详见第九节产品立场与边界）

工具产品：面向 FinTec AI Ecosystem 内其他成员

说明：工具产品形态不是本版本（第一阶段 M0-M3）的工程化目标——本节作为顶层定位陈述，启动相应工程化时再展开详细的产品定义与接口规范。

FinBayes 在 FinTec AI Ecosystem 中不是孤立的产品。它与生态内其他对象（Data Horizon、AI Trading Matrix、强化学习引擎 RLE、金融专家大模型 FEFM）有结构性的协同关系（详见第六节生态位置）。

服务对象：FinTec AI Ecosystem 内其他生态对象的产品和工程团队。

主要产品形态（战略层指针式说明，具体协同接口规范由架构文档承接）：

FinBayes 在 FinTec AI Ecosystem 内的工具产品形态是生态协同关系，不是排他依赖。FinBayes 作为独立认知层产品可以不依赖任何特定生态对象运行——这是 FinBayes 的产品形态基线，生态协同是在此基线之上的增值。

• 对 Data Horizon：作为信息消费方之一。DH 是生态协同上游之一，非唯一信息源——FinBayes 也可以接入第三方信息/数据源（公开行情 API、新闻订阅、链上数据、社交媒体等）独立运行
• 对 AI Trading Matrix：作为认知输出方之一。用户基于 FinBayes 输出自主判断后自行选择交易工具，ATM 是生态协同的执行选项之一——用户也可以选择 ATM 之外的任何第三方交易工具/平台/APP。第一阶段不做 FinBayes 到 ATM 或任何交易工具的自动对接和自动执行
• 对强化学习引擎：作为学习样本输出方，把用户的判断、复盘、市场结果反馈给 RLE 形成迭代样本
• 对金融专家大模型：作为能力消费方，长期通过 FEFM 增强金融领域的专业理解

认知体系在这一层的体现：

工具产品是金融认知体系与生态成员之间的协同界面。体系的输出（结构化判断、传导分析、案例样本）作为生态成员之间的协同语言。每个生态成员都不需要重建自己的金融认知体系——直接消费 FinBayes 的结构化输出即可。

主要质量门槛：

• 输出格式的稳定性和可被其他生态成员消费
• 协同接口的版本管理和兼容性
• 不被生态成员的需求变化拉扯到偏离用户产品的核心

平台产品：面向开发者

说明：平台产品形态不是本版本（第一阶段 M0-M3）的工程化目标，也不是中期主要交付目标——本节作为长期定位陈述，启动相应工程化时再展开详细的产品定义与接入规范。

长期上，FinBayes 的金融认知能力不应只服务自己的用户和生态成员，还应该让其他开发者和金融认知能力的扩展者能够接入、扩展、定制。

服务对象：

• 第三方金融工具的开发者（希望接入 FinBayes 的认知能力）
• 特定市场或品种的认知扩展者（希望基于 FinBayes 体系扩展某个市场）
• 学术研究者（希望基于 FinBayes 的结构化输出做金融行为研究）

主要产品形态（长期方向，第一阶段不展开）：

• 标准化的金融认知 API
• 市场扩展包（Market Pack）的开放接入机制
• 案例库的开放共建机制
• 认知能力的自定义和扩展接口

认知体系在这一层的体现：

平台产品是金融认知体系对外开放的入口形态。体系本身保持收敛和可控（不会被开发者污染），但体系的应用方式向开发者开放——开发者可以基于体系扩展场景、扩展市场、扩展输出形态。

主要质量门槛：

• 体系本身的稳定性和可被多方接入
• 开放接入的边界管理（开放什么、不开放什么）
• 长期生态健康（防止认知体系被分叉、被滥用、被弱化）

平台产品在 FinBayes 长期定位（"像水电一样普及"）中扮演重要角色。但第一阶段（M0-M3）不展开，由用户产品验证之后再逐步开放。

三层之间的关系

三层产品形态不是平行展开的三个独立产品，而是同一个金融认知层的三种界面。

核心关系：

1. 三层共享同一套金融认知体系：用户产品、工具产品、平台产品都在体系之上构建。体系是基础设施，三层是不同的"应用层"
2. 三层服务对象不同，质量门槛不同：用户产品要照顾金融小白，工具产品要照顾接口稳定性，平台产品要照顾开发者生态健康
3. 三层优先级有清晰序列：用户产品（第一阶段核心交付）→ 工具产品（第一阶段建立基本协同接口，长期成熟）→ 平台产品（长期方向，第一阶段不展开）
4. 三层互相不僭越：用户产品不变成工具产品（不暴露认知体系底层接口给用户），工具产品不变成平台产品（不替代开发者扩展能力），平台产品不替代用户产品（不取消面向个人投资者的直接服务）

三层共同的产品立场

无论是哪一层产品形态，以下立场在 FinBayes 当前版本中都成立。区分清楚 identity 级别的核心边界和当前版本的产品立场：

核心定位边界（identity 级别，不可变）：

• 认知与执行分工：FinBayes 不直接下单，也不替用户决策；用户基于 FinBayes 认知输出自主形成判断后自行选择交易工具

当前版本的产品立场（落地后持续评估和优化）：

• 金融执行凭证的处理：当前版本不收、不存、不训练用户的金融执行凭证
• 用户主权：用户对自己的金融认知资产可查看、可修改、可清空
• 认知输出的事实空间约束：画像不裁剪事实空间，反方证据、关键风险、失效条件按事实空间生成
• 付费层级的输出质量：付费等级不改变结构化认知输出的本质质量

这些立场的完整展开和演化原则在第九节产品立场与边界中给出。